Identifizieren von Körnern und Binder

Das GrainFind-Modul liefert präzise statistische Informationen basierend auf µCT-Scans granularer Mikrostrukturen wie Batterieelektroden. Mithilfe des Identify-Grains-Algorithmus wird eine individuelle Best-Fit-Form für jedes einzelne Korn in der Struktur berechnet. Dadurch werden einzelne Körner und ihre räumliche Orientierung erkannt. Die gewonnenen Informationen können mit nur einem Klick in GrainGeo geladen werden, um ein detailliertes Abbild der Mikrostruktur zu erstellen. Dieser Workflow ermöglicht es, statistische Digitale Zwillinge der gescannten Mikrostruktur zu modellieren und zu variieren.

In µCT-Scans besteht häufig die Herausforderung, dass Binder und Körner ähnliche Grauwerte aufweisen und daher nicht eindeutig voneinander unterschieden werden können. Zu diesem Zweck wurde das Identifizierungsmodul "Identify Binder (AI)" entwickelt. Dieses Modul nutzt Künstliche Intelligenz (KI), um Körner und Binder in der festen Phase anhand ihrer unterschiedlichen Form voneinander zu trennen.

Derzeit sind in GeoDict bereits neuronale Netze integriert, die in der Lage sind, das Bindemittel in NMC- und Graphitstrukturen zu identifizieren. Weitere neuronale Netze für sehr unterschiedliche Partikelformen oder sehr unterschiedliche Partikelgrößenverteilungen können mit dem Modul GeoDict-AI trainiert werden.

Der Workflow mit GrainFind-AI und GrainGeo ermöglicht Simulationen an der Struktur, die sonst nicht möglich wären. So können beispielsweise Simulationen mechanischer Verformungen oder Ladesimulationen von Elektroden durchgeführt werden, die beide von der Verteilung des Bindemittels und teilweise sogar von der Ausrichtung der Körner des aktiven Materials abhängen.

3D-Modelle eines Materials werden nach dem Importieren und Segmentieren von µCT-Scans oder FIB-SEM Aufnahmen dieses Materials erstellt. GrainFind bietet mehrere Funktionen, um diese Struktur zu analysieren:

• Einzelnen Körner identifizieren und analysieren: Kornvolumen, Oberfläche, Oberflächen-Volumen-Verhältnis, Sphärizität (Form), Ausrichtung, etc.
• Durchmesserverteilung der Körner berechnen
• Binder mit KI in Körnerstrukturen indentifizieren

Für die Identifizierung der Körner wird ein spezieller Watershed-Algorithmus (Wasserscheidentransformation) verwendet, um einzelne Körner zu finden. Danach werden die segmentierten Körner durch eine Grain-Reconnection wieder zusammengefügt. Körner am Rand der Struktur können optional entfernt werden, um eine systematische Verzerrung in der Statistik der identifizierten Körner zu verhindern. Schließlich wird die Form der Körner analysiert, bei der Ellipsoide, Kästen oder kurze Fasern an die identifizierten Körner angepasst werden. Daraus entsteht ein analytisches Modell für die Körner.

Sobald die Körner als Einzelobjekte identifiziert sind, gibt es zahlreiche Optionen für die Nachbearbeitung. Hierzu zählen beispielsweise Histogramme für die Durchmesser, Volumina oder Oberflächen der Körner.

Die Durchmesserverteilungen, die Sphärizität und die weiteren berechneten Parameter können ebenfalls in 3D visualisiert werden.

Zudem ist es möglich, die Körner basierend auf ihren Durchmessern, Volumina oder weiteren berechneten Parametern zu sortieren. Dabei können einzelne Körner separat visualisiert werden, um beispielsweise nur die größten Körner zu betrachten. Auf diese Weise lassen sich dann z.B. den verschiedenen Korngrößen unterschiedliche Steifigkeiten zuordnen.

Die berechneten Kornorientierungen können später in Studien zur Leitfähigkeit oder bei mechanischen Simulationen berücksichtigt werden. Darüber hinaus können die Ergebnisse aus GrainFind in GrainGeo verwendet werden, um diese spezifische Mikrostruktur nachzubauen und zu verändern.

Die Identifizierung des Binders basiert auf neuronalen Netzen, die darauf trainiert sind, zwischen Körnern und Bindemitteln zu unterscheiden. Zwei neuronale Netze sind bereits in GrainFind enthalten:

• Identifizierung von Binder in Graphit-Anoden: Trainiertes neuronales Netz zur Kennzeichnung des Binderbereichs in graphitähnlichen Strukturen mit schuppenartigen Körnern.
• Identifizierung von Binder in NMC-Kathoden: Trainiertes neuronales Netz zur Kennzeichnung der Binderphase in NMC-ähnlichen Strukturen mit ellipsenförmigen Körnern.